Er en kunstig intelligens, der overgår al menneskelig tænkning, teknisk mulig – eller hviler hele debatten på fejlagtige antagelser?
Konklusion
En fremtrædende datalogi-forsker, Cal Newport, argumenterer systematisk imod, at superintelligens nogensinde vil blive en realitet. Hans kritik handler ikke om, at vi skal vente længere – men om, at de grundlæggende antagelser bag scenariet er teknisk forkerte. Debatten om superintelligens er dog langt fra afgjort, og uenigheden er dyb både inden for og uden for forskningsmiljøet.
Det politiske spørgsmål
I 2026 er frygten for superintelligens ikke længere forbeholdt science fiction. Medarbejdere hos AI-virksomheden Anthropic har offentligt advaret om, at systemer der overgår menneskelig intelligens på alle områder, kan være blot år væk. Regeringer, tænketanke og internationale organisationer overvejer regulering, internationale aftaler og endda "rød linje"-mekanismer for at forhindre en ukontrollerbar AI-kapløbsdynamik.
Spørgsmålet er politisk i den forstand, at svarene har direkte konsekvenser: Hvis superintelligens er en reel og nær trussel, bør samfund handle drastisk nu. Hvis den derimod er teknisk usandsynlig eller umulig, risikerer vi at bygge regulering og ressourceforbrug på et fejlagtigt grundlag – mens reelle, aktuelle AI-udfordringer overses.
Det empiriske spørgsmål bag
Det centrale empiriske spørgsmål er: Hvad kræver det faktisk at bygge et system, der er superintelligent – og er de forudsætninger til stede?
Superintelligens defineres typisk som en kunstig intelligens, der overgår det bedste menneskelige intellekt på alle kognitive områder: abstrakt ræsonnement, kreativ problemløsning, videnskabelig opdagelse, social intelligens og generel tilpasningsevne. Det er ikke bare et spørgsmål om at køre hurtigere eller behandle mere data – det handler om kvalitativt anderledes kognition.
Hvad ved vi
Nuværende AI er imponerende, men snævert ✓✓
Nutidens store sprogmodeller (på engelsk: large language models, forkortet LLM'er) er ekstraordinært gode til mønstertgenkendelse, sproglig produktion og visse former for ræsonnement inden for velafgrænsede domæner. Men de opererer grundlæggende ved statistisk interpolation over træningstekst – de forudsiger næste token ud fra mønstre, ikke ud fra forståelse af verden i den forstand, et menneske har det.
Skalering har grænser ✓
Cal Newport, datalogi-forsker og forfatter, peger i en analyse publiceret af IEEE Spectrum på, at den "skalér-dig-til-superintelligens"-hypotese hviler på en antagelse, der ikke er empirisk belægt: at man ved blot at gøre nuværende systemer større og fodre dem med mere data automatisk opnår qualitativt ny intelligens. Denne antagelse har aldrig været bevist. De kapacitetsstigninger, vi har set ved skalering, er statistisk signifikante, men har konsekvent været inden for det eksisterende paradigme – ikke brud på det.
Menneskelig kognition er ikke reduceret til beregning ~
Newport fremhæver, at menneskelig intelligens er dybt forankret i kroppens sanser, emotionelle systemer og årtusinders evolutionær udvikling. At hævde, at man kan replere – og overstige – dette ved at optimere tabsfunktioner på tekst og billeder er en ekstrapolation, ikke et bevist princip.
AI-kapløbet skaber reelle risici uanset superintelligens ✓
En preprint fra oktober 2026 med titlen Superintelligence and the Triple Risk of an AI Race dokumenterer, at kapløbsdynamikken i sig selv udgør en risiko: stater og virksomheder, der konkurrerer om at nå superintelligens først, kan træffe beslutninger om autonome systemer – herunder militære – uden tilstrækkelig menneskelig kontrol. Dette er en reel og aktuel risiko, uanset om superintelligens faktisk er opnåelig.
Hvad ved vi ikke
Der er ærlige og store huller i vores viden:
Vi ved ikke, om der er et "loft" for skalering. Teorien om, at skalering til sidst vil producere emergente egenskaber svarende til generel intelligens, kan hverken bekræftes eller afkræftes på nuværende tidspunkt. Vi har set emergente evner dukke op overraskende ved tidligere tærskelværdier – men vi har aldrig set et spring til noget, der ligner menneskelig generaliseringsevne.
Vi ved ikke præcist, hvad menneskelig intelligens er. Kognitiv videnskab, neurovidenskab og filosofi er endnu ikke enige om, hvad det egentlig vil sige at "forstå" noget. Uden en præcis definition af mål er det svært at måle afstand dertil.
Vi ved ikke, om arkitekturelle gennembrud kan ændre billedet. Nuværende AI er ikke den eneste mulige AI. Nye arkitekturer – for eksempel neuro-symbolske systemer (der kombinerer statistisk læring med logisk ræsonnering) – kan teoretisk adressere nogle af de begrænsninger, Newport og andre peger på. Men om sådanne gennembrud vil komme, og hvornår, er ukendt.
Vi ved ikke, om tidshorisonterne er realistiske. Forudsigelser om AI-kapaciteter har historisk både overskredet og underleveret forventningerne. Newport er skeptisk over for de korte tidshorisonter – år, ikke årtier – som nogle i branchen opererer med, men han kan ikke afvise dem med sikkerhed.
Hvad eksperter er uenige om
Uenigheden i forskningsmiljøet er reel og struktureret. Den falder groft sagt i to lejre:
Lejr 1: Skalering er nok
Mange af de mest fremtrædende navne i AI-forskning – herunder en del af dem der arbejder hos de store AI-laboratorier – mener, at nuværende arkitekturer kombineret med mere data, mere beregningskraft og forbedret træning vil føre til systemer med generel og til sidst superintelligent kapacitet. Dette synspunkt er drivkraften bag de voldsomme investeringer i AI-infrastruktur.
Lejr 2: Der mangler noget fundamentalt
Newport tilhører en gruppe forskere – med rødder i klassisk datalogi, kognitionsvidenskab og AI-kritik – der mener, at nuværende systemer mangler noget fundamentalt for at nå generel intelligens: ægte årsagsforståelse, robust generalisering uden for træningsmønstret, og en form for grundforankring i virkelighed der ikke kan opnås ved sproglig interpolation alene. ~
Konkret peger Newport på tre problemer med superintelligens-antagelserne:
Beregningsanalogien er ikke bevist. At hjernen er et beregningssystem, og at vi derfor kan replikere og overstige den ved at bygge et tilstrækkeligt kraftfuldt beregningssystem, er en filosofisk antagelse – ikke et empirisk faktum.
Emergensargumentet er cirkulært. Argumentet "vi ved ikke, hvornår det sker, men det vil ske" er ikke videnskabeligt. Emergente egenskaber ved skalering er observeret inden for snævre domæner; det er ikke dokumenteret, at de vil producere generel intelligens.
Incitamentsstrukturen forvrænger debatten. De virksomheder og investorer der har mest at vinde ved, at offentlighed og regulatorer tror på superintelligens – enten som trussel eller som mulighed – dominerer også diskursen. Det skaber en systematisk slagside i, hvilke stemmer høres.
Preprint-rapporten fra oktober 2026 tilføjer en vigtig dimension: uanset hvem der har ret i den tekniske debat, er kapløbsdynamikken skadelig. Når nationer og virksomheder handler som om superintelligens er nær, opstår reelle sikkerhedsmæssige konsekvenser – herunder pres for at reducere menneskelig kontrol over autonome systemer, med paralleller til den kolde krigs automatiserede varslingssystemer. ⚖
Konklusion
Cal Newports kritik er ikke en afvisning af, at AI er kraftfuld eller vigtig. Den er en specifik teknisk og epistemologisk kritik: at superintelligens-scenariet bygger på antagelser, der aldrig er blevet bevist, og som der er gode grunde til at betvivle.
Det er et nødvendigt korrektiv til en debat, der ofte kører på to fejltagelser simultant: enten panik over nær undergang, eller euforisk forventning om menneskelig transcendens. Begge positioner tager udgangspunkt i, at superintelligens er mulig – en præmis Newport mener, vi slet ikke har belæg for.
Det betyder ikke, at AI ikke kræver seriøs regulering og opmærksomhed. De aktuelle systemer er allerede kraftfulde nok til at skabe reelle udfordringer for demokrati, arbejdsmarked og sikkerhed. Og kapløbsdynamikken dokumenteret i oktober 2026-rapporten udgør en strukturel risiko, der eksisterer uafhængigt af, om superintelligens er teknisk mulig.
Men der er forskel på at regulere det AI, vi faktisk har – og at bygge samfundspolitik på et spekulativt fremtidsscenarie, hvis tekniske forudsætninger er omtvistede. Newport argumenterer for, at vi skylder hinanden en mere ærlig opdeling af de to.